AWS Nova 帮法律公司自动分单：每周省 14 小时，中型 B2B AI 落地新样板

这是什么

Aderant 是给律所做管理软件的公司，全球 268 个客户环境、38 人 SierraOps 客服团队。过去每周 34-40 张支持工单要人工查 15-25 分钟上下文；现在一个 AWS Lambda 函数（定时执行的云端小段代码）每小时自动巡检，调出 Amazon Bedrock 上的轻量模型 Nova Lite 读工单、查 Jira、Confluence、SharePoint 的关联信息，给出派单建议。人类只在低置信度时介入。

实际效果扎实：上线 2.5 周处理 109 张工单，准确率 96%，每周回收 8-14 个工程师小时，月成本不到 30 美元。AWS 客户案例数字常经过挑选，但这一组确实少见——值得我们关注的是，它代表中型 B2B 公司 AI 落地的一种标准形态。

行业怎么看

支持者认为这是「闷声 AI 落地」的标准答案——96% 准确率、月成本不到 30 美元、ROI（投入产出比）几乎可以忽略。对中型 SaaS 来说，无需组建 AI 团队，借 Bedrock 现成模型加 Lambda 编排，几周就能跑通一个生产级场景。

但质疑声也不少。第一种是「窄场景胜利不可复制」：分单是边界清晰的分类问题，换到更模糊的客服对话或 bug 排查，准确率会断崖下跌。第二种更尖锐：客户案例里 30 美元只是推理（inference，即模型每次回答问题的算力开销）成本，不含前期集成、数据清洗、运维迭代；按 TCO（总拥有成本）算，中型企业真实投入往往是这个数字的 10 倍以上。我们倾向于认为，AWS 写稿逻辑天然挑最好看的数据呈现。

对普通人的影响

对企业的 IT：「自动分单 + 人工复核」架构正在成为 SaaS 客服标配——工单系统加模型加定时触发，无需自研团队，值得提前评估内部场景。

对个人职场：客服、技术支持、运营这类「白盒流程」岗位最先被 AI 接手；但会看模型输出、做高风险决策的「复核员」角色会冒出来，需要新的技能组合。

对消费市场：消费者短期几乎无感——分单发生在后端，受益的是服务响应速度的稳定化，而非直接体验变化。